| INFMW Deep learning | SG | INF | |
|---|---|---|---|
| Dozent : | Semester | 1 | |
| Einordnung : | Master Informatik (Winter-Immatrikulation) | SWS | 4 |
| Sprache : | Deutsch | Art | VÜS |
| Prüfungsart : | PL | Credits | 6 |
| Prüfungsform : | Klausur 120 min | ||
| Voraussetzungen : | |||
| Querverweise : | |||
| Vorkenntnisse : | Grundlagen der Künstlichen Intelligenz oder Foundations of Machine Learning | ||
| Hilfsmittel und Besonderheiten : | |||
| Lehrziele : | Die Studierenden kennen und verstehen grundlegende Konzepte des Deep Learning wie neuronale Netze, Aktivierungsfunktionen und Optimierungsverfahren. Sie kennen unterschiedliche Architekturen neuronaler Netze (z.B. CNNs, RNNs, Transformers) und können diese und ihre Einsatzgebiete erläutern. Die Studierenden können Deep-Learning-Modelle mit Hilfe gängiger Frameworks (z. B. TensorFlow, PyTorch) implementieren, trainieren, evaluieren und verschiedene Strategien zur Verbesserung von Modellen (z. B. Regularisierung, Hyperparameter-Tuning) anwenden. Sie können eigene Deep-Learning-Projekte konzipieren, durchführen und präsentieren. Die Studierenden reflektieren kritisch ethische und gesellschaftliche Implikationen von Deep Learning und KI. | ||
| Lehrinhalte : | * Grundlagen des Maschinellen Lernens * Grundlagen neuronaler Netze: (Multi-Layer-)Perzeptron, Backpropagation, SGD * Spezielle NN-Architekturen, z.B. CNNs, RNNs, Transformer * Optimierungsverfahren wie Adam, Regularisierung, Drop-Out, Batch-Normalization * Metriken und Evaluation von DL-Modellen * Frameworks, z.B. Tensorflow, Keras, PyTorch * Anwendungsgebiete, z.B. Computer Vision, Sprachverarbeitung, Anomalie-Erkennung, Generative KI * Gesellschaftliche Implikationen, Bias, Erklärbarkeit, Regulierung | ||
| Literatur : | Bishop, Christopher M.: Deep Learning - Foundations and Concepts. Springer, 2024. - ISBN: 978-3-031-45467-7; ISBN: 978-3-031-45468-4 (eBook) Burkov, Andriy: The Hundred-Page Machine Learning Book. 2019. ISBN: 978-1777005474 Goodfellow, Ian ; Bengio, Yoshua ; Courville, Aaron: Deep Learning. MIT Press, 2016. – http://www.deeplearningbook.org | ||